Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/8424
Título: Aplicação de MLOps em sistemas embarcados para análise da qualidade do ar.
Autor(es): Brito, Kevin Lucas de Oliveira
Orientador(es): Pereira, Igor Muzetti
Membros da banca: Garcia, Racyus Delano
Pereira, Igor Muzetti
Marinho, Euler Horta
Palavras-chave: IoT
MLOPS
Qualidade do ar
K-means
Data do documento: 2025
Referência: BRITO, Kevin Lucas de Oliveira. Aplicação de MLOps em sistemas embarcados para análise da qualidade do ar. 2025. 59 f. Monografia (Graduação em Engenharia da Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2025.
Resumo: O monitoramento da qualidade do ar é um desafio crescente em áreas urbanas, devido ao impacto direto na saúde pública e à limitação de estações oficiais de medição, que possuem alto custo e baixa cobertura geográfica. Nesse contexto, este trabalho propõe um sistema integrado de \textit{hardware} e \textit{software} que combina Internet das Coisas (IoT) e \textit{Machine Learning Operations} (MLOps), utilizando um protótipo baseado no microcontrolador ESP32 com sensores MQ-4 (metano), MQ-7 (monóxido de carbono) e DHT22 (temperatura e umidade). O sistema coletou dados ambientais contínuos por 30 dias em condições estáveis e processou-os em um pipeline MLOps automatizado, empregando o algoritmo K-means para análise. Os testes revelaram a capacidade do protótipo em identificar padrões de variabilidade nos gases e condições climáticas, embora a comparação com estações de referência públicas tenha evidenciado limitações na validação cruzada, devido a diferenças metodológicas e geográficas. Os resultados indicam que, mesmo com sensores de baixo custo, é possível obter agrupamentos consistentes para ambientes controlados. Como principais contribuições, destacam-se: (1) a aplicação de MLOps em dispositivos de baixo custo, (2) uma metodologia reprodutível para coleta e processamento de dados ambientais, e (3) uma arquitetura escalável que permite a integração de novos sensores. O trabalho abre perspectivas para sistemas de monitoramento ambiental distribuídos, de baixo custo, com inteligência artificial embarcada.
Resumo em outra língua: This work presents an integrated hardware and software system for air quality analysis, combining Internet of Things (IoT) and Machine Learning Operations (MLOps). The system is based on an ESP32 microcontroller equipped with MQ-4 (methane), MQ-7 (carbon monoxide), and DHT22 (temperature and humidity) sensors. Environmental data were continuously collected for 30 days under stable conditions and processed through an automated MLOps pipeline using the K-means algorithm. Comparison with public reference stations highlighted significant challenges in cross-validation due to methodological and geographical differences — particularly discrepancies in local measurement conditions. The main contributions of this work are: (1) the implementation of MLOps in low-cost devices, (2) a reproducible methodology for controlled environments, and (3) a scalable architecture that supports the integration of additional sensors. The study opens perspectives for massively distributed environmental monitoring systems with embedded artificial intelligence.
URI: http://www.monografias.ufop.br/handle/35400000/8424
Aparece nas coleções:Engenharia de Computação - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AplicaçãoMLOSistemas.pdf2,59 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.